2026-10-16

오늘 함께 본 다른 변화는 다음과 같다.

• X는 같은 커밋에서 광고 작성자 브랜드 안전 fallback을 기본 on으로 바꿨다.
• Facebook은 Feed·Reels 추천을 자유 텍스트로 조정하는 "Your algorithm"을 발표했다.
• Netflix는 현재 추천이 matrix factorization 대비 engagement를 4% 높인다는 측정 연구를 블로그로 소개했다.

1영상 캐러셀이 몰입형 지면 모델의 예측으로도 영상을 고를 수 있게 됐다 — X

• 캐러셀 영상의 정렬 점수는 이제 영상을 열 확률과 몰입형 지면 모델이 예측한 VQV 확률에 각각 가중을 곱해 더한 값이다 확인 — home-mixer/util/video_carousel.rs:104-123.

  • 식은 VideoCarouselVideoOpenWeight × video_open + VideoCarouselImmersiveVqvWeight × immersive_vqv다.
  • 몰입형 점수가 없는 영상은 그 항을 0으로 친다.

• 기본값은 video_open 가중 1.0, VQV 가중 0.0이다 확인 — home-mixer/params/param.rs:1083-1094. 따라서 기본 동작은 이전과 같다.

  • 캐러셀 자체(EnableVideoCarousel, 1053-1058행)도 여전히 기본 off다.

• 아래 두 컴포넌트는 세 조건이 모두 맞을 때만 돈다 확인. VQV 가중이 0이 아니고, For You 요청이며, 캐러셀이 켜져 있어야 한다.

  • 세 조건을 보는 곳은 ranks_by_immersive_scores(video_carousel.rs:17-21)다.

• 첫째 컴포넌트는 유저 행동 시퀀스를 다른 집계 방식으로 한 번 더 받는다. 그 방식(IMMERSIVE_LONG_DWELL)은 2026-09-10 커밋(4세대+19)에서 proto에 이름만 생겼고, home-mixer가 이를 쓰는 코드는 이번이 처음이다 확인 — query_hydrators/immersive_scoring_sequence_query_hydrator.rs, param.rs:163-168, 1101-1106.

  • 컴포넌트 이름은 ImmersiveScoringSequenceQueryHydrator(신규 75줄)다.
  • For You 랭커가 쓰는 기본 집계는 DENSE_WITH_LONG_DWELL이고, 이 컴포넌트는 IMMERSIVE_LONG_DWELL로 받는다.

• 둘째 컴포넌트는 후보 가운데 캐러셀 대상 영상만 모아, 다른 Phoenix 클러스터에 몰입형 지면 기준으로 예측을 요청한다. 요청에서 영상 길이 필드는 최소 영상 길이로 채운다 확인 — scorers/immersive_video_scorer.rs, util/phoenix_request.rs:228-252.

  • 컴포넌트 이름은 ImmersiveVideoScorer(신규 65줄)다.
  • 캐러셀 대상 영상은 답글이 아니고 video_open 점수가 있는 영상이다.
  • 요청하는 클러스터는 Experiment3Fou이고, 지면 값은 ProductSurface::GalleryPage다.

• 둘째 컴포넌트는 Phoenix 스코어러와 VMRanker(피드에 낼 후보 묶음을 다시 정렬하는 스코어러) 사이에서 돈다 확인 — candidate_pipeline/phoenix_candidate_pipeline.rs:462-471.

  • 순서는 PhoenixScorer → ImmersiveVideoScorer → VMRanker다.

• 몰입형 예측은 후보의 immersive_scores 필드에만 저장되며, 본 피드 점수 계산에서 이 필드를 읽는 코드는 이번 diff에 없다 확인.

• 같은 가중합이 캐러셀 영상을 고르는 두 단계에 모두 쓰인다 확인 — selectors/top_k_score_selector.rs:16-25, filters/video_carousel_filter.rs.

  1. 점수 상위 50개 밖에서 캐러셀 후보 30개를 더 뽑을 때
  2. 필터를 거친 뒤 최종 3~5개를 고를 때

• 새 테스트가 기대 동작을 보여 준다. VQV 가중 1.0·video_open 가중 0.0이면 VQV가 0.9·0.5·0.1인 영상이 그 순서로 뽑힌다 확인.

  let result = TopKScoreSelector.select(&carousel_query("0.0", "1.0"), candidates);
  ...
  assert_eq!(tweet_ids(extras), vec![101, 106, 103]);
  

• 광고 작성자 브랜드 안전 fallback 스위치가 false에서 true로 바뀌었다 확인 — param.rs:807-812.
  • 스위치 이름은 EnableAdsAuthorBrandSafetyFallback이다.
  • 크론 미러(프로덕션 설정 값을 매일 동기화해 공개하는 파일)의 sync 시각은 2026-10-13T16:00:30Z → 2026-10-14T16:00:44Z다.
• 이 스위치는 포스트 단위 Grok 안전 라벨이 아직 없을 때 작성자 단위 라벨을 대신 넣는다. 2026-10-03 커밋(4세대+35)에서 기본 off로 신설됐다. 같은 커밋에서 기본 true로 바뀐 V2 verdict 스위치(4세대+2, 2026-08-17 신설)도 true이므로 두 스위치가 모두 on이 됐다 확인.
  • 대신 넣는 작성자 단위 라벨은 GrokSfa/GrokNsfaLimited/GrokNsfa다.
  • V2 verdict 스위치는 EnableAdsBrandSafetyVerdictV2(801-805행)다.

visibility-filtering(VF)은 포스트마다 "이 뷰어에게 보여도 되는가"를 판정하는 서비스다. SafetyLevel(지면별 정책 묶음)마다 규칙 목록이 있고, 규칙은 "조건이 참이면 이 액션(드롭, 흐림 처리, 참여 제한 등)"의 형태다.

• 규칙 조건을 적는 방식이 평면 배열(모든 조건의 AND)에서 이름 붙은 조건을 조합하는 불리언 트리로 바뀌었다 확인 — visibility-filtering/rules/rule_spec/rule.rs(신규 305줄).
  • 트리는 all!/any!/!와 이름 붙은 조건으로 짠다.
  • 예를 들어 약 25개 규칙에 반복되던 "나이 확인 국가에서 요청했고 뷰어가 나이 확인을 하지 않았다"는 두 조건이 VIEWER_IS_NOT_AGE_VERIFIED_IN_AGE_VERIFICATION_COUNTRIES 하나로 묶였다.
• 다섯 SafetyLevel의 규칙 목록·순서·액션·국가 목록은 그대로다 확인 — rules/levels.rs.
  • 새 트리를 예전 평면 표로 다시 출력해 기존 골든 파일과 비교하는 테스트 어댑터(rules/legacy_table.rs)가 추가됐고, 골든 파일은 이번 커밋에서 바뀌지 않았다. 따라서 정책 변화가 없다는 것이 테스트로 보장된다.
• 같은 규칙 정의 하나에서 평가, 정책 카탈로그 문서 생성, 노드별 판정 트레이스가 모두 나온다 확인. 서빙 경로는 트레이스 없이 단축 평가한다.
  • 카탈로그 생성은 rules/catalog.rs가 맡고, 테스트 전용이다.
  • 노드별 트레이스는 rules/rule_spec/observed.rs(신규 275줄)가 만든다.
• 디버그 도구 explain.rs(+854줄)가 이 트레이스를 노출하므로, "이 포스트가 왜 가려졌나"를 규칙 단위로 설명하려는 방향으로 본다 추정.
• 동작이 바뀔 수 있는 곳은 규칙 밖의 뷰어 조회 두 군데다.
  • 뷰어 정보를 가져오는 Gizmoduck(X의 유저 정보 서비스) 조회가, 컨텍스트 없이 부르던 방식에서 탈퇴·비활성·soft 유저까지 포함하는 조회 컨텍스트로 바뀌었다 확인 — clients/gizmoduck_client.rs:23-29, 55-62. 테스트 이름이 viewer_lookups_pass_no_context에서 viewer_lookups_include_every_user_state_tweetypie_reads로 바뀌어, 비교 기준 서비스인 Tweetypie와 조회 범위를 맞추려는 것으로 본다 추정.
  • 찾은 뷰어에 나이 정보가 없으면 이제 상태와 상관없이 "나이 미기재(NotStated)"로 디코드한다 확인 — hydration/decode/viewer.rs:76-79. 두 변경이 겹치면 예전에 조회되지 않던 상태의 뷰어가 나이 미기재 뷰어용 민감 미디어 드롭 규칙의 대상이 될 수 있다 추정. 그 규모는 diff로 알 수 없다.
• 뷰어 상태별·나이별 분포 메트릭(vf_viewer_state, vf_viewer_age)이 신설됐다 확인. 위 두 변경의 효과를 관측하려는 계측으로 본다 추정.

• Phoenix 학습 코드에서 seqpack(여러 유저 시퀀스를 한 배치 행에 이어 붙이는 패킹)을 켤 때 함께 요구하던 assert가 지워졌다 확인 — phoenix/xrex/models/recsys_model.py. 제약만 풀었고 config 변경은 없으므로 실험을 허용하는 변경으로 본다 추정.
  • 지워진 assert는 right_anchored_rope를 요구하던 것이다.

• 캐러셀을 "몰입형 뷰어로 들어가는 입구"로 보고, 입구의 영상도 뷰어의 모델로 고르려는 것으로 본다 추정. 근거는 두 가지다.
  • GalleryPage·Experiment3Fou·IMMERSIVE_LONG_DWELL이 모두 몰입형 지면 쪽 이름이다.
  • 전날 공개된 학습 config immersive_page_rl의 보상이 VQV 완주를 따로 셈한다.
• video_open 가중 인하(0.07 → 0.02, 4세대+40)와 체류 시간 보상(4세대+41)에 이어, 이번 커밋은 영상 쪽 목적이 "열기"에서 "실제로 본 시간과 품질 시청"으로 옮겨 가는 흐름과 방향이 같다 추정.
• VQV 가중 기본값이 0이므로 실제 서빙 여부는 알 수 없다.

↑ 목차

2자유 텍스트로 추천을 조정하는 "Your algorithm"을 발표했다 — Facebook

• 점 세 개 메뉴 안의 "Your algorithm" 공간에서 Feed와 Reels 추천을 이끄는 토픽을 직접 추가하고 관리할 수 있다 확인(기능의 존재).
• 더 보고 싶은 것과 덜 보고 싶은 것을 자유 텍스트로 적을 수 있고, Interested/Not interested를 누른 뒤 후속 질문이 나올 수 있다 확인.
• 대상은 Facebook의 Feed와 Reels다. Instagram·Threads 언급과 국가·출시 일정 정보는 없다 확인.
• LLM이 자연어를 해석하고 같은 세션 안에서 추천이 바뀐다는 서술은 뉴스룸의 주장이며, 모델 구조나 수치는 없다.
• 자유 텍스트를 LLM이 토픽이나 임베딩으로 바꿔 기존 랭킹에 조건으로 넣는 구조로 본다 추정. 근거는 글이 "기존에 알고 있는 것과 함께" 쓴다고만 하고 랭커 교체를 말하지 않는다는 점이다.

"LLMs can incorporate the interests, context, and intent behind natural language, unlocking an algorithm you can actually talk to." — Your Algorithm, Your Words, 2026-10-13 (뉴스룸)

"Tell it what you want more or less of, and your recommendations respond in real time, adapting within the same session to reflect what matters to you right now." — 같은 글

↑ 목차

3선택 모델로 개인화 추천의 가치를 측정했다 — Netflix

• 회원의 하루 시청 선택을 low-rank 선택 모델로 추정한다 확인(블로그).
  • 모델은 타이틀 표현과, 시청 이력을 요약한 회원 상태를 학습한다. 추천된 타이틀에는 별도 "추천 효과" 항을 더한다.
  • 추천 여부의 변동은 알고리즘 exploration 같은 자연 변동에서 얻는다 확인(블로그).
• 검증 실험은 특정 카테고리 쪽으로 추천을 살짝 밀거나 빼는 무작위 A/B다. 모델이 예측한 diversion ratio와 실험값의 상관이 0.86, R²가 0.73이었다 확인(블로그).
  • diversion ratio는 어떤 타이틀 묶음이 덜 보일 때 줄어든 시청이 다른 타이틀로 얼마나 옮겨 가고 Netflix 밖으로 얼마나 빠지는지를 나타내는 비율이다.
• 반사실 비교에서 현재 추천 대비 engagement는 다음처럼 줄어든다 확인(블로그, 초록).
  • 무작위 추천: −16%
  • 인기순 추천: −12%
  • 기본 matrix factorization(MF): −4%
• 인기순과 MF는 시청을 소수 타이틀에 더 집중시켰고, 무작위는 다양성이 약간 높지만 engagement 손실이 크다 확인(블로그).
• 추천으로 생긴 시청 차이를 세 경로로 나누면 기계적 노출(exposure)의 몫은 약 7%다 확인(블로그).
  • 나머지 대부분은 selection(원래 볼 사람에게 보여 줌)과 targeting(추천이 결정을 바꾸는 사람에게 보여 줌)이다.
  • targeting 효과는 exposure의 약 7배이고 중간 인기 타이틀에서 가장 크다 확인(블로그).

"Relative to the current system, random recommendations reduce engagement by 16%, popularity-based recommendations reduce engagement by 12%, and matrix factorization reduces engagement by 4%." — Measuring the Impact of Personalized Recommendations (블로그)

"Exposure is not the main driver of differences in consumption, as mechanical exposure explains only about 7% of the gap under the current recommender system, while selection and targeting account for the vast majority of the difference and the targeting effect is nearly seven times larger than the exposure effect." — 같은 글

↑ 목차

4생성형 retrieval이 dense retrieval보다 낫다는 주장을 반박했다 — 레이더(Shopify)

• 공개 데이터(Amazon Toys)에서 GR이 앞서 보이는 차이는 대부분 인기도에서 온다고 주장한다. DR 점수에 같은 정적 아이템 가치를 한 번 섞으면 차이가 뒤집히고, recall도 GR보다 높게 유지된다 확인.
• 사내 대규모 e-commerce 데이터에서도 GR이 작은 DR 인코더보다 못했다고 적었다 확인. 온라인 A/B나 배포 주장은 없다.

"Finally, on an industrial-scale internal e-commerce dataset with LLM-judged relevance, we show that a 14B SID-LLM still underperforms a $47\times$ smaller dense encoder." — arXiv 2610.19065 초록, 2026-10-13

↑ 목차

검증에서 뒤집힌 것

• x.md 안전성 절의 VF 요약이 "SafetyLevel 3개, 추천 54 규칙"이라는 4세대(2026-08-13) 구성을 현재형으로 적고 있었다.
  • VF를 분석하다가 현재는 레벨이 5개(Home Hydration, Immersive Expanded Recommendations 추가)이고 상수 항목 수가 1·39·65·87·47임을 확인했다 확인 — rules/levels.rs.
  • 원문(services/x.md)은 4세대 시점의 기록으로 남기고, 바로 아래에 정정 문단을 추가했다.

↑ 목차

다음에 볼 것

↑ 목차

확인 범위

• X: 2026-10-15 이후 X 알고리즘 저장소에 올라온 커밋은 1건이다.
  • xai-org/x-algorithm 커밋 목록에서 확인한 그 1건은 92f0918이다.
  • WebSearch 교차 확인("X For You algorithm video carousel October 2026")에서는 1차 출처가 있는 새 발표가 나오지 않았다.
• Meta: engineering.fb.com의 최신 글은 2026-10-12·13 글이고, 추천 관련 글(GEM)은 2026-10-14 daily에서 이미 다뤘다.
  • ai.meta.com/blog 목록에는 추천·랭킹 관련 글이 없다.
  • transparency.meta.com의 랭킹 설명 인덱스는 "UPDATED DEC 31, 2023" 그대로이며, 개별 system card는 열지 않았다.
  • 뉴스룸(about.fb.com)의 2026-10-13 글을 놓쳤던 것을 찾아 위 2절에 반영했다.
• Netflix: RSS의 10건이 모두 2026-10-14 19:47~20:02 UTC로 다시 게시돼 날짜를 신뢰할 수 없다.
  • 이 가운데 피드·추천과 관련된 글은 위 3절의 1건이다. 나머지는 인프라 글(DataJunction, TimeSeries 저장소, 광고 이벤트 파이프라인, Conductor, Spark, Stratum, GPU 컴퓨트)과 이미 다룬 FM 통합 글, LLM-as-a-Judge 글이다.
  • research.netflix.com archive의 최신 항목은 2026-02-24다.
• arXiv cs.IR: 30건을 파싱했고 통과는 1건(Shopify GR 대 DR)이다.
  • 근접 탈락은 두 편이다. AdCoEvo는 광고 집행 운영 자동화라 피드 랭킹과 거리가 멀고, Dual-Branch Graph Distillation for Cold-Start는 공개 벤치마크만 있다.
• 금요일이라 산업 블로그 훑기는 하지 않았다.

↑ 목차